1 Du pixel à lobjet : méthodes stochastiques X. Descombes Projet Ariana Orféo, 14 juin 2005

2 Conclusions du 10/05/05 Problématique liée à la HR : –La notion dobjet devient prépondérante –Apparition de macro-textures : notion déchelle Exemples dapplications : –Etude de lintra-urbain : classification, détection de changements –Extraction ditems cartographiques –Comptage et classification des arbres

3 Conclusions du 10/05/05 Points méthodologiques –Modélisation au niveau du pixel –Modélisation au niveau de lobjet –Fusion –Aspects dynamiques

4 Modèles Stochastiques CM sur la trâme : Modélisation des pixels CM sur graphes : Modélisation dun ensemble dobjets prédéfini PPM : Modélisation sur des ensembles dobjets

5 Exemple : Extraction du réseau routier Problème : occlusions (ombres des arbres,..) interruptions sur au moins une dizaine de pixels

6 Approche pixélique Opérateur local (filtre) Régularisation (Worm model) Post-traitement (connection)

7 Opérateur local + seuillage

8 Opérateur local + CM

9 Opérateur local + CM + post-tr.

10 CM sur graphe Cf Thèse de Florence Tupin (ENST) Opérateur local (détection de segments candidats) Construction du graphes (connections possibles entre les segments candidats) CM binaire sur le graphe

11 CM sur graphe ELIERSER (N. Merlet, J. Zerubia)

12 Problèmes Questions : Combien de noeuds ? Combien darêtes ?

13 Processus ponctuel marqué Modèle sur un ensemble aléatoire de segments Prise en compte des données au niveau des objets (segments), et des propriétés a priori (réseau fortement connecté et de faible courbure en moyenne) dans la même étape.

14 PPM Objets : Segments A Priori : connectivité et courbure Attache aux données Ph D : R. Stoïca, C. Lacoste

15 Mouvements du RJMCMC Naissance et mort uniformes Naissance et mort dans un voisinage Changement de la longueur dun segment Translation dun segment Rotation dun segment

16 Résultats

17 Résultats

18 Problèmes des trois approches CM sur la trâme : difficulté de la modélisation (interactions locales) CM sur graphe : prédétection des segments candidats, construction du graphe PPM : complexité algorithmique

19 Extraction de Houppiers : PPM Objet : disque A priori : non recouvrement Données : Gaussiennes A : aire PhD : G. Perrin

20 Résultat

21 Extraction de Houppiers

22 Extraction de Houppiers : CM

23 Extraction de bâti : PPM PhD : M. Ortner

24 Visualization 3D

25 Conclusion Du pixel à lobjet : –Vers une plus grande généralité des modèles –Les outils théoriques existent –Vers une plus grande complexité Choix dune approche ?